YOLO Implementation
import cv2
import matplotlib.pyplot as plt
from utils import *
from darknet import Darknet# Set the location and name of the cfg file
cfg_file = './cfg/yolov3.cfg'
# Set the location and name of the pre-trained weights file
weight_file = './weights/yolov3.weights'
# Set the location and name of the COCO object classes file
namesfile = 'data/coco.names'
# Load the network architecture
m = Darknet(cfg_file)
# Load the pre-trained weights
m.load_weights(weight_file)
# Load the COCO object classes
class_names = load_class_names(namesfile)# Print the neural network used in YOLOv3
m.print_network()
Loading and Resizing Our Images
使用OpenCV的cv2.imread（）函数加载我们的图像。 因为，此函数将图像加载为BGR，我们将图像转换为RGB，以便我们可以使用正确的颜色显示它们 网络第一层的输入大小为416 x 416 x 3.由于图像大小不同，我们必须调整图像大小以与第一层的输入大小兼容。 在下面的代码中，我们使用OpenCV的cv2.resize（）函数调整图像大小。
# Set the default figure size
plt.rcParams['figure.figsize'] = [24.0, 14.0]
# Load the image
img = cv2.imread('./images/surf.jpg')
# Convert the image to RGB
original_image = cv2.cvtColor(img, cv2.COLOR_BGR2RGB)
# We resize the image to the input width and height of the first layer of the network.
resized_image = cv2.resize(original_image, (m.width, m.height))
# Display the images
plt.subplot(121)
plt.title('Original Image')
plt.imshow(original_image)
plt.subplot(122)
plt.title('Resized Image')
plt.imshow(resized_image)
plt.show()`一旦图像已经被加载和调整大小，并且您已经为nms_thresh和iou_thresh选择了参数，我们就可以使用YOLO算法来检测图像中的对象。
我们使用utils模块中的detect_objects（m，resized_image，iou_thresh，nms_thresh）函数检测对象。 此函数接收Darknet返回的模型m、调整大小后的图像以及NMS和IOU阈值，并返回找到的对象的边界框。
每个边界框包含7个参数：边界框中心的坐标（x，y），边界框的宽度 w 和高度 h，置信度检测级别，对象类概率和 对象类ID。 detect_objects（）函数还打印出YOLO算法检测图像中对象和检测到的对象数所花费的时间。 由于我们在CPU上运行算法，因此检测图像中的对象大约需要2秒钟，但是，如果我们使用GPU，它将运行更快。
一旦我们得到YOLO找到的对象的边界框，我们就可以打印找到的对象的类及其对应的对象类概率。 为此，我们在utils模块中使用print_objects（）函数。
最后，我们使用plot_boxes（）函数绘制YOLO在我们的图像中找到的边界框和相应的对象类标签。 如果将plot_labels标志设置为False，您将显示没有标签的边界框。 如果你的nms_thresh太低，这样可以更容易地查看边界框。 plot_boxes（）函数使用相同的颜色绘制同一对象类的边界框。 但是，如果您希望所有边界框都是相同的颜色，则可以使用color关键字来设置所需的颜色。 例如，如果您希望所有边界框都是红色，则可以使用：
plot_boxes(original_image, boxes, class_names, plot_labels = True, color = (1,0,0))
# Set the default figure size
plt.rcParams['figure.figsize'] = [24.0, 14.0]
# Load the image
img = cv2.imread('./images/1.jpg')
# Convert the image to RGB
original_image = cv2.cvtColor(img, cv2.COLOR_BGR2RGB)
# We resize the image to the input width and height of the first layer of the network.
resized_image = cv2.resize(original_image, (m.width, m.height))
# Set the IOU threshold. Default value is 0.4
iou_thresh = 0.4
# Set the NMS threshold. Default value is 0.6
nms_thresh = 0.6
# Detect objects in the image
boxes = detect_objects(m, resized_image, iou_thresh, nms_thresh)
# Print the objects found and the confidence level
print_objects(boxes, class_names)
#Plot the image with bounding boxes and corresponding object class labels
plot_boxes(original_image, boxes, class_names, plot_labels = True)